基于异步Dueling DQN和计划时间预测网络的连接优化器

连接顺序选择是查询优化领域中极具挑战性的研究方向,对于数据库管理系统获得良好的查询性能至关重要.然而,传统优化方法和现有智能优化方法均存在着不足,如规划时间过长、容易得到质量较差的连接计划、编码未考虑结构特征、依赖基数估计和代价估计使得连接计划无法反映真实的执行时间等.针对上述问题,提出了一种新型基于异步Dueling DQN(Deep Q-network)和计划时间预测网络的连接优化器:ADP-Join(Asynchronous Dueling DQN and Plan Latency Prediction Network for Join Order Selection).ADP-Join集成了一种新的编码方法,能够区分不同结构的连接计划.ADP-Join设计了计划时间预测网络PLN(Plan Latency Prediction Network)来改善现有基于强化学习优化器的奖励机制.再者,提出异步更新机制改进Dueling DQN模型来提升训练性能和减少训练时间.大量的实验结果表明,在TPC-H和JOB真实数据集上ADP-Join的性能优于现有的智能优化器.

基于多线程通信机制的云数据库查询优化方法

从本地数据库架构转变为云上数据库架构,对于大型复杂系统的高效运行和海量异构数据的存储分析至关重要。云数据库的启发式查询优化方法存在局限性,如难以获得最优执行计划使得查询性能下降、无法从历史查询中学习经验等。基于学习的优化方法虽然能够提升查询性能,但也存在缺陷,如没有对物理运算符进行编码、无法捕捉执行计划的结构特征、依赖于错误的基数估计和代价估计、现有强化学习算法的探索性较差、训练速度较慢以及收敛不稳定。针对上述问题,提出了一种新型基于异步Soft Actor-Critic的连接查询优化器(Asynchronous Soft Actor-Critic for Join Query, ASA-Join)。ASA-Join利用多线程通信机制设计了异步Soft Actor-Critic算法,能够增加策略的随机性和智能体的探索能力,尽可能避免陷入局部最优解;集成了一种新的编码方法,将物理运算符和执行计划的结构特征进行编码,能够准确表示执行计划;设计了状态表示模型,利用Bidirectional Gate Recurrent Unit (BiGRU)来捕捉执行计划的结构特征;设计了一种新的奖励机制,利用多任务学习方法将执行计划的代价和延迟均作为优化目标,使得执行计划能够反映真实的查询时间。在真实数据集JOB和TPC-H上对ASA-Join的代价和延迟进行评估。实验结果表明,ASA-Join的性能优于现有基于强化学习的优化器。

新型融合注意力机制的遮挡面部表情识别框架

现有基于深度学习的面部表情识别模型不能有效地应对面部遮挡部分的干扰,无法准确捕捉面部未遮挡部分的特征,会导致识别准确率降低。为此,提出一种新型融合注意力机制的遮挡面部表情识别框架FER-AM(facial expression recognition framework based on attention mechanism),应用局部特征网络提取面部表情的局部关键特征,设计全局特征网络学习整个面部表情中的互补信息,采用注意力机制处理面部遮挡部分如眼镜、口罩和围巾等。在RAF-DB、AffectNet、CK+(Cohn Kanade)及FED-RO数据集进行大量实验,结果表明:FER-AM的7种表情分类性能均优于基于深度学习的代表性人脸面部表情识别模型,识别准确率达到88.1%。

一种车联网辅助积极性感知的空间众包任务分配框架

针对大多数空间众包(Spatial Crowdsourcing, SC)中任务分配算法缺乏考虑工人主观积极性的影响,提出了一种利用车联网(Internet of Vehicles, IoV)技术辅助积极性感知的SC任务分配框架(Task Allocation Framework in Spatial Crowdsourcing Based on Internet of Vehicles Assisted Positivity Sensing, IOV-SCA)来甄别消极工人并进行任务分配。IOV-SCA模型分为2个阶段:第1阶段利用部署在路侧单元上的Bi-PSM模型(Positivity Sensing Model Based on BiLSTM)来挖掘消极工人,旨在利用加入注意力机制的BiLSTM模型计算工作停滞时间并与给定阈值比较,从而辨别工人的积极性;第2阶段利用部署在云服务器上的PS-TAA算法(Task Allocation Algorithm Based on Positivity Sensing)进行任务分配,旨在激励工人的同时满足系统效用最大化。在真实数据集上进行大量对比实验,结果表明,IOV-SCA模型有效提高了任务分配的效率并且较其他代表性算法可提供更优的分配结果。

面向大数据的网络流量监控与分析算法综述

网络流量监控与分析(Network Traffic Monitoring and Analysis,NTMA)作为网络管理技术的关键组成部分,能够有效提高互联网等大型网络的健壮性。然而随着互联网业务的复杂性和通信量不断增加,如何设计具有高可扩展性、实时性和高安全性的NTMA应用是一个极其重要且严峻的挑战。将大数据处理技术引入NTMA应用,能够有效提升数据传输过程中的信息量、传输速率、多样性以及准确性。为了进一步研究面向大数据的NTMA算法,首先介绍NTMA算法的背景技术,包括现有的大数据技术和NTMA应用框架;其次,介绍NTMA应用的数据管理技术,并详细阐述数据管理的主要流程和关键技术;最后,概述基于大数据的NTMA框架的最新研究方法。